流媒体网络性能指标——抖动

有时候我们开发一个流媒体系统，做完了却不知道如何用数字描述我们的系统，体现我们的优势，作为客户来说，可以描述这套系统的数字指标是最直观的，尤其在网络性能这块。在流媒体网络中，影响流媒体服务质量（QOS）的因素有很多，而这些因素可以作为我们衡量流媒体网络性能的指标。

衡量流媒体网络性能的常见指标主要有：

• 带宽
• 吞吐量
• 延时
• 抖动
• 丢包率

本篇文章主要讲下抖动（jitter），以及如何处理抖动，本文主要针对语音通信。在网络中，每个包从发送端到接收端的时延是不相同的，而jitter就是用来衡量这种不同。在发送端数据包发送时间间隔是相同的，也就是均匀发送数据，但是由于各种情况，例如拥塞，因为网络错误导致的丢包等，接受端收到数据包间隔就会不一样了，可能一会大，一会小，这就是所谓的抖动，严重影响音质。

下面先了解下传统学术上的相关定义。

• 延时：记s(i), r(i)分别为第i个包的发送、接收时间戳，延时d(i) = r(i) – s(i)
• 抖动：jitter(i) = d(i+1) – d(i)

传统定义中，抖动仅能描述某个时刻的情况，而流媒体是持续的，我们更关注某个时间段上的情况，对比某时刻情况更实用。
为了更好描述某个时间段的抖动，我们按如下定义更实用的抖动指标（参考声网）：
1）记s(i), r(i)为第i个包的发送与接收时间戳，延时d(i) = r(i) – s(i);
2）t秒为一个统计周期，集合D = {d(i) | i ∈ t秒内收到的包序号集合 };
3）对集合D做从小到大排序，得到D(sorted);
4）对D(sorted)中每个元素，减去D中最小值min(D)，得到新的集合 D(jitter)。

现在D(jitter)中元素含义就是，t秒内所有语音数据包传输延时，相对最快那个数据包的偏移，原来抖动定义是相对前一个包延时偏移。可知D(jitter)中最大元素表示传输延时最大的。

为了消除抖动，接收端要么丢帧，要么延时。一般都会引入一个缓冲区，也就是抖动缓冲（jitterbuffer）。引入了抖动缓冲后，我们可以这样处理抖动：
1）jitter > jitterbuffer length，丢帧处理;
2) jitter <= jitterbuffer length，延时处理。

所以现在D(jitter)中最大元素表示：如果jitterbuffer大小拉长到这个值，就能成功播放t秒内收到的语音数据。按这个定义，我们就可以动态设置我们的jitterbuffer大小，每一个t时间周期调整一次jitterbuffer。

如果想对抖动缓冲有更深入学习，可以参考WebRTC源码以及谷歌学术上相关论文，相关研究很多。